镍氢电池组soc神经网络估算策略研究

《镍氢电池组soc神经网络估算策略研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中文摘要追于环境污染和能源危机的压力，世界各国越来越重视电动汽车的发展，期待将来能用它逐步取代燃油汽车。但是电动汽车的发展尚有很多问题需要解决，动力电池及其管理系统就是几个关键技术中的一个，而电池荷电状态(soc)的估算更是电池管理系统中的重要技术。本文的主要任务就是对电动汽车用镍氢电池组的SOC估算方法进行研究。本文首先明确了SOC的量化表达式，分析其影响因素和估算的困难所在，然后对当今存在的SOC估算方法做了文献综述，比较了各种方法的优缺点和应用情况，并指出了SOC估算的发展方向。此次设计完成了多种电流的恒流充放电实验

2、与脉冲充放电实验，获得了大量样本数据。这些样本一部分是用来训练神经网络的训练样本，一部分是用来测试神经网络的测试样本。电池测试仪采用的是天津大学自行研制的“BB．1电池测试仪”，而实验数据的采集则利用dSPACE的高精度，高采样率的ADC。然后，本文提出了基于BP神经网络和安时法的一种崭新的SOC估算策略。BP神经网络利用电流和当前的SOC预测此时电池的充放电系数，在安时法公式中再利用该预测值计算下一时刻电池的SOC。BP网络训练的结果表明它具有较好的泛化能力，SOC计算模型的仿真结果表明它具有较高的精度。·最后，本文分析

3、了此次设计的不足之处，以及改进的方法。关键词：荷电状态镍氢电池BP神经网络电动汽车硬件在环仿真ABSTRACTABSTRACTManycountriesaroundtheworldnowspendalotontheresearchofelectricvehiclewiththehopethatitcouldcompletelyreplacethefuelvehicleonedayforthepressurethatenvironmentpollutionandenergycrisisimposedonthem．Howeve

4、r,manycriticaltechnologiesarestilldemandedtobesolvedtodevelopelectricvehicle，amongwhichisthebatterymanagementsystem．While、thestrategyofestimatingthestateofcharge(soc)ofbatteriesisthemostimportanttechnologyinthebatterymanagementsystem，whichcontributestothemaintasko

5、fmyresearch．Inthispaper,wefirstdefinedtheequationtocalculateSOCofabattery,andanalyzedallthevariablesintheequationespeciallywhichleadtothedifficultiesofestimatingSOC．Then，acomprehensivesummarizeonSOCestimatingarithmeticwaspresented，whichshowedboththemeritsandthedef

6、ectsaboutthem，andtheirapplicationintherealworld．ItalsopointedoutthefutureofSOCestimation．Inthisdesign，weaccomplishedmanyconstantcurrentcharge／dischargeexperimentsandmanypulsedcurrentcharge／dischargeexperimentsagainstmanycurrentvalues，andgotlotsofsampledata．Someoft

7、hesesamplesnamedtraningsamplewereusedtotraintheneuralnetwork,andothersnamedtestingsamplewereusedtotestthenetworkwehaveconstructed．TheseexperimentswerealldoneonthebatterytestingplatformwhichwasdevelopedbyTianjinunivercity,whiletheexperimentaldatawereacquiredusinghi

8、gh-·precisionandhigh·-samplefrequencyADCofdSPACE．Lately,thispaperpresentedabrandnewarithmetictoestimatingSOCwhichcombinestheneuralnetworkmethodandtheAhm